—— 用「定向手术刀 + 数据显微镜 + 素材永动机」实现 ROI 300% 提升
- 设置逻辑:
- 性别 / 年龄:母婴品类锁定「25-35 岁女性」,汽车品类选择「30-45 岁男性」。
- 地域:高客单价商品优先投放「新一线 + 二线城市」,低客单价商品覆盖「三四线城市」。
- 兴趣词:使用「巨量云图」筛选「跨场景兴趣词」(如「母婴好物」覆盖搜索 + 推荐场景)。
- 案例:某美妆品牌通过「25-35 岁女性 + 一线城市 + 护肤教程」定向,CTR 从 2.1% 提升至 3.8%。
- 核心公式:
莱卡定向 = 行为词(300 个) + 兴趣词(200 个) + 类目词(100 个) - 操作技巧:
- 行为词:选择「跨品类行为」(如「母婴用户搜索奶粉」可覆盖「辅食」需求)。
- 兴趣词:添加「KOL 名称」(如「李佳琦推荐」)提升转化率。
- 排除定向:排除「已购买用户」避免重复触达,复购率提升 25%。
- 工具:
- 千川云图:分析人群画像(如宝妈人群占比 92%,二线城市占比 65%)。
- 巨量引擎 - 关键词规划师:批量生成行为兴趣词。
- 组合策略:
人群类型 | 定向逻辑 | 出价策略 | 占比 |
---|
高价值用户 | 加购未支付 + 收藏商品 | 基础出价 ×1.5 | 30% |
潜力用户 | 相似达人粉丝 + 高互动行为 | 基础出价 ×1.2 | 50% |
新客 | 行业泛人群 + 低价钩子 | 基础出价 ×0.8 | 20% |
- 案例:某零食品牌对「加购未支付用户」加价 30%,CVR 从 1.2% 提升至 2.8%,ROI 从 1.8 提升至 3.5。
- 数据依据:
- 母婴品类:晚 8 点(活跃高峰)流量竞争度高,CTR 比平峰期低 15%,但转化率高 20%。
- 解决方案:晚 8 点出价 + 30%,平峰期 - 20%,ROI 提升 18%。
- 工具:
- 策略公式:
转化溢价 = 客单价 × 转化率 × 20% - 操作示例:
- 对「已购买用户」加价 50%,复购率提升 25%。
- 对「高互动用户」(点赞 / 评论)加价 30%,CVR 提升 15%。
- 功能路径:计划设置→智能放量→勾选「优化目标」(如下单)+「人群扩展」。
- 适用场景:
- 新品测试期:系统自动探索潜在用户,降低冷启动成本。
- 爆款放量期:扩展相似人群,提升长期 LTV。
类型 | 核心逻辑 | 适用品类 | CTR 阈值 |
---|
痛点型 | 对比使用前后效果 | 护肤品、家电 | ≥4% |
背书型 | 医生 / 达人推荐视频 | 母婴、保健品 | ≥3.5% |
场景型 | 用户真实使用场景 | 家居、食品 | ≥3% |
促销型 | 限时折扣 + 紧迫感话术 | 快消品、3C | ≥2.5% |
- 测试维度:
- 素材形式:口播 vs 剧情。
- 话术结构:痛点引入 vs 直接卖点。
- BGM 类型:流行音乐 vs 纯人声。
- 数据阈值:
- CTR:测试组需比对照组高 15% 以上。
- CVR:测试组需比对照组高 10% 以上。
- ROI:测试组需比对照组高 20% 以上。
- 操作路径:创意设置→素材托管→上传 500 条素材。
- 优势:
- 起量率比传统投放高 7%。
- 自动淘汰低质素材(CTR<2% 的素材自动暂停)。
- 工具:
- 剪映专业版 + AIGC 插件:自动生成差异化素材。
- 蝉妈妈:监控竞品素材的高转化片段。
- 原计划:基础定向「25-35 岁女性 + 母婴兴趣词」,CTR 2.8%,CVR 1.5%。
- 优化后:叠加「育儿知识搜索 + 加购未支付用户」,CTR 提升至 3.5%,CVR 提升至 2.1%。
- 时段溢价:晚 8 点(活跃高峰)出价 + 30%,平峰期 - 20%。
- 转化溢价:对「已购买用户」加价 50%,复购率提升 25%。
- A 组(对照组):口播素材,CTR 3.2%,CVR 1.8%。
- B 组(测试组):儿科医生推荐视频,CTR 4.1%,CVR 2.5%。
- 效果:B 组计划 ROI 从 3.2 提升至 4.8,单场 GMV 增长 40%。
功能 | 工具 | 用途 |
---|
定向优化 | 千川云图 API | 实时修改定向、预算 |
数据监控 | 飞瓜智投 | 分钟级消耗监控 + 转化漏斗分析 |
素材制作 | 剪映专业版 + AIGC 插件 | 自动生成差异化素材 |
出价策略 | 巨量引擎 - 动态出价工具 | 智能调节时段溢价和转化溢价 |
专业版千川计划的优化本质是用精细化操作换取流量效率。通过「人群定向的三层过滤→动态出价的智能杠杆→素材迭代的永动机模型」的闭环,配合千川 2025 年的智能功能(如全域推广、AI 智能拓量),商家可实现「低成本拉新→中成本促活→高成本收割」的全链路优化。记住:没有绝对的最优策略,只有不断迭代的测试模型。